為什么全同態(tài)加密(FHE)是AI人工智能的圣杯
加密與人工智能背景下的全同態(tài)加密!全同態(tài)加密(FHE)技術(shù)幫助人工智能解決了隱私難題,所以未來,全同態(tài)加密將是人工智能的圣杯!A 希望在 Netflix 和 Amazon 上獲得高度個性化的推薦。B 不希望 Netflix 或 Amazon 了解他們的偏好。
在當(dāng)今的數(shù)字時代,我們享受著亞馬遜和 Netflix 等服務(wù)帶來的個性化推薦便利,這些推薦精準(zhǔn)地迎合了我們的趣味。然而,這些平臺深入我們私人生活的行為正引發(fā)越來越多的不安。我們渴望在不犧牲隱私的前提下享受定制化服務(wù)。過去,這似乎是一個悖論:如何在不對基于云的人工智能系統(tǒng)分享大量個人數(shù)據(jù)的情況下實現(xiàn)個性化。全同態(tài)加密(FHE)提供了一個解決方案,使得我們能夠兼得魚與熊掌。下面一起和腳本之家小編詳細(xì)了解下吧!
人工智能即服務(wù)(AIaaS)
人工智能(AI)如今在應(yīng)對包括計算機(jī)視覺、自然語言處理(NLP)和推薦系統(tǒng)在內(nèi)的多個領(lǐng)域的復(fù)雜挑戰(zhàn)中扮演著關(guān)鍵角色。然而,這些 AI 模型的發(fā)展給普通用戶帶來了重大挑戰(zhàn):
1.數(shù)據(jù)量:構(gòu)建精確模型往往需要龐大的數(shù)據(jù)集,有時甚至?xí)_(dá)到千萬億字節(jié)的規(guī)模。
2.計算能力:像轉(zhuǎn)換器這樣的復(fù)雜模型需要數(shù)十個 GPU 的強(qiáng)大算力,通常連續(xù)運(yùn)行數(shù)周。
3.領(lǐng)域?qū)iL:這些模型的微調(diào)需要深厚的專業(yè)知識。
這些障礙使得大多數(shù)用戶難以獨立開發(fā)強(qiáng)大的機(jī)器學(xué)習(xí)模型。
實際應(yīng)用中的 AI 即服務(wù)流水線
進(jìn)入 AI 即服務(wù)(AIaaS)時代,這一模式通過提供由科技巨頭(包括 FAANG 成員)管理的云服務(wù),讓用戶得以接觸到最先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型,從而克服了上述障礙。用戶只需將原始數(shù)據(jù)上傳至這些平臺,數(shù)據(jù)便會在平臺上被處理,進(jìn)而生成富有洞察力的推斷結(jié)果。AIaaS 有效地普及了高質(zhì)量機(jī)器學(xué)習(xí)模型的使用權(quán),將先進(jìn)的 AI 工具開放給更廣泛的群體。然而,遺憾的是,當(dāng)今的 AIaaS 在帶來這些便利的同時,卻犧牲了我們的隱私。
人工智能即服務(wù)中的數(shù)據(jù)隱私
目前,數(shù)據(jù)僅在從客戶端傳輸?shù)椒?wù)器的過程中進(jìn)行加密。服務(wù)器能夠訪問輸入數(shù)據(jù)以及基于這些數(shù)據(jù)所做的預(yù)測。
在 AI 即服務(wù)過程中,服務(wù)器能夠訪問輸入和輸出數(shù)據(jù)。這種情況使得普通用戶共享敏感信息(如醫(yī)療和財務(wù)數(shù)據(jù))變得復(fù)雜。諸如 GDPR 和 CCPA 之類的法規(guī)加劇了這些擔(dān)憂,因為它們要求用戶在數(shù)據(jù)被共享之前明確同意,并保證用戶有權(quán)了解其數(shù)據(jù)如何被使用。GDPR 還進(jìn)一步規(guī)定了傳輸過程中數(shù)據(jù)的加密和保護(hù)。這些法規(guī)設(shè)定了嚴(yán)格的標(biāo)準(zhǔn),以確保用戶的隱私和權(quán)利,倡導(dǎo)對個人信息有明確的透明度和控制。鑒于這些要求,我們必須在 AI 即服務(wù)(AIaaS)流程中開發(fā)強(qiáng)大的隱私機(jī)制,以維護(hù)信任和合規(guī)性。
FHE 解決問題
通過對 a 和 b 進(jìn)行加密,我們可以確保輸入數(shù)據(jù)保持私密性。
全同態(tài)加密(FHE)為云計算中關(guān)聯(lián)的數(shù)據(jù)隱私問題提供了解決方案。FHE 方案支持密文加法和乘法等操作。其概念簡單明了:兩個加密值之和等于這兩個值之和的加密結(jié)果,乘法亦然。
實際操作中,其工作原理如下:用戶在本地對明文值?和?執(zhí)行加法運(yùn)算。隨后,用戶加密?和?,并將密文發(fā)送至云服務(wù)器。服務(wù)器能夠在加密值上(同態(tài)地)執(zhí)行加法運(yùn)算并返回結(jié)果。從服務(wù)器解密得到的結(jié)果將與?和?的本地明文加法結(jié)果一致。這一過程既保障了數(shù)據(jù)隱私,又允許在云端進(jìn)行計算。
基于全同態(tài)加密的深度神經(jīng)網(wǎng)絡(luò)(DNN)
除了基本的加法和乘法運(yùn)算外,在 AI 即服務(wù)流程中,利用全同態(tài)加密(FHE)進(jìn)行神經(jīng)網(wǎng)絡(luò)處理的技術(shù)已取得顯著進(jìn)展。在此背景下,用戶可以將原始輸入數(shù)據(jù)加密成密文,并僅將這些加密數(shù)據(jù)傳輸至云服務(wù)器。服務(wù)器隨后對這些密文進(jìn)行同態(tài)計算,生成加密輸出,并將其返回給用戶。關(guān)鍵在于,只有用戶持有私鑰,使其能夠解密并訪問結(jié)果。這構(gòu)建了一個端到端的 FHE 加密數(shù)據(jù)流,確保用戶數(shù)據(jù)在整個過程中的隱私安全。
基于全同態(tài)加密的神經(jīng)網(wǎng)絡(luò)在 AI 即服務(wù)中為用戶提供了顯著的靈活性。一旦密文被發(fā)送到服務(wù)器,用戶便可離線,因為客戶端與服務(wù)器之間無需頻繁通信。這一特性對物聯(lián)網(wǎng)設(shè)備尤為有利,它們通常在限制條件下運(yùn)行,頻繁通信往往不切實際。
然而,值得注意的是全同態(tài)加密(FHE)的局限性。其計算開銷巨大;FHE 方案本質(zhì)上耗時、復(fù)雜且資源密集。此外,F(xiàn)HE 目前難以有效支持非線性操作,這對神經(jīng)網(wǎng)絡(luò)的實現(xiàn)構(gòu)成了挑戰(zhàn)。這一限制可能會影響基于 FHE 構(gòu)建的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性,因為非線性操作對這類模型的性能至關(guān)重要。
K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, 和 S. Q. Goh 所著的 "基于高效全同態(tài)加密的隱私增強(qiáng)神經(jīng)網(wǎng)絡(luò)在 AI 即服務(wù)中的應(yīng)用",在南洋理工大學(xué)(新加坡)和中國科學(xué)院(中國)發(fā)表。
(Lam 等人,2024 年)描述了一種用于 AI 即服務(wù)的隱私增強(qiáng)神經(jīng)網(wǎng)絡(luò)協(xié)議。該協(xié)議首先通過使用誤差學(xué)習(xí)(LWE)來定義輸入層的參數(shù)。LWE 是一種加密原語,用于通過加密來保護(hù)數(shù)據(jù),使得無需先解密即可對加密數(shù)據(jù)進(jìn)行計算。對于隱藏輸出層,參數(shù)則通過環(huán) LWE(RLWE)和環(huán) GSW(RGSW)來定義,這兩種高級加密技術(shù)擴(kuò)展了 LWE,以實現(xiàn)更高效的加密操作。
公共參數(shù)包括分解基 ? 及 ? ? ? 給定一個輸入向量 ? 長度為 ? , 一組 ? LWE 密文 ( ? ? , ? ? ) 為每個元素 ? [ ? ] 生成了使用 LWE 私鑰 ? ,關(guān)于 ? 的評估密鑰為索引生成 ? [ ? ] > 0 及 ? [ ? ] < 0 此外,還針對 ? 設(shè)置了一組 LWE 切換密鑰。這些密鑰支持在不同加密方案間進(jìn)行高效切換。
輸入層被指定為第 0 層,輸出層為第 ? 層對于每一層 ? 從 1 到 ? 神經(jīng)元數(shù)量為 ? ? 在第 0 層已確定。權(quán)重矩陣 ? ? 偏置向量 ? ? 從第 0 層開始 在第 0 層上疊加被定義。對于每個神經(jīng)元 ? 從 0 到 ? ? − 1 來自第 ? − 1 層的 LWE 密文在同態(tài)加密下進(jìn)行評估。這意味著計算是在加密數(shù)據(jù)上執(zhí)行的,以計算 ? 中的線性函數(shù)。第 ? 層中的第-th 個神經(jīng)元,結(jié)合權(quán)重矩陣和偏置向量。隨后,在 ? 中評估查找表(LUT)。-th 神經(jīng)元,以及從 ? ′ 的切換 到較小的 ? 執(zhí)行操作后,接著對結(jié)果進(jìn)行舍入和重新縮放。該結(jié)果被納入第 ? 層 LWE 密文集合中。
最后,協(xié)議將 LWE 密文返回給用戶。用戶隨后可以使用私鑰 ? 解密所有密文。查找推理結(jié)果。
此協(xié)議通過利用全同態(tài)加密(FHE)技術(shù),高效實現(xiàn)了隱私保護(hù)的神經(jīng)網(wǎng)絡(luò)推理。FHE 允許在加密數(shù)據(jù)上進(jìn)行計算,而不向處理服務(wù)器泄露數(shù) 據(jù)本身,確保了數(shù)據(jù)隱私的同時,提供了 AI 即服務(wù)的優(yōu)勢。
AI 中全同態(tài)加密的應(yīng)用
FHE(全同態(tài)加密)使得在加密數(shù)據(jù)上進(jìn)行安全計算成為可能,不僅開拓了眾多新的應(yīng)用場景,同時確保了數(shù)據(jù)的隱私性和安全性。
廣告中的消費者隱私:(Armknecht 等人,2013 年)提出了一種創(chuàng)新的推薦系統(tǒng),該系統(tǒng)利用全同態(tài)加密(FHE)。此系統(tǒng)能夠在向用戶提供個性化推薦的同時,確保這些推薦內(nèi)容對系統(tǒng)本身完全保密。這保證了用戶偏好信息的私密性,有效解決了定向廣告中的重大隱私問題。
醫(yī)療應(yīng)用:(Naehrig 等人,2011 年)為醫(yī)療保健行業(yè)提出了一個引人注目的方案。他們建議使用全同態(tài)加密(FHE)持續(xù)將患者的醫(yī)療數(shù)據(jù)以加密形式上傳至服務(wù)提供商。這一做法確保了敏感的醫(yī)療信息在其整個生命周期內(nèi)保持機(jī)密性,既增強(qiáng)了患者隱私保護(hù),又使得醫(yī)療機(jī)構(gòu)能夠無縫進(jìn)行數(shù)據(jù)處理和分析。
數(shù)據(jù)挖掘:挖掘大型數(shù)據(jù)集能夠產(chǎn)生重大洞見,但往往以用戶隱私為代價。(Yang, Zhong, 和 Wright, 2006)通過在全同態(tài)加密(FHE)背景下應(yīng)用函數(shù)加密解決了這一問題。這種方法使得從龐大的數(shù)據(jù)集中提取有價值的信息成為可能,同時不損害被挖掘數(shù)據(jù)個體隱私的安全性。
財務(wù)隱私:設(shè)想一個場景,一家公司擁有敏感數(shù)據(jù)和專有算法,必須保密。(Naehrig 等人,2011 年)建議采用同態(tài)加密來解決這一問題。通過應(yīng)用全同態(tài)加密(FHE),公司能夠在不暴露數(shù)據(jù)或算法的情況下,對加密數(shù)據(jù)進(jìn)行必要的計算,從而確保財務(wù)隱私和知識產(chǎn)權(quán)的保護(hù)。
法醫(yī)圖像識別:(Bosch 等,2014)描述了一種利用全同態(tài)加密(FHE)外包法醫(yī)圖像識別的方法。這一技術(shù)對執(zhí)法機(jī)構(gòu)尤其有益。通過應(yīng)用 FHE,警方及其他機(jī)構(gòu)能夠在不暴露圖像內(nèi)容的情況下,檢測硬盤上的非法圖像,從而保護(hù)調(diào)查中數(shù)據(jù)的完整性和機(jī)密性。
從廣告和醫(yī)療保健到數(shù)據(jù)挖掘、金融安全和執(zhí)法,全同態(tài)加密有望徹底改變我們在各個領(lǐng)域處理敏感信息的方式。隨著我們不斷發(fā)展和完善這些技術(shù),在一個日益數(shù)據(jù)驅(qū)動的世界中保護(hù)隱私和安全的重要性再怎么強(qiáng)調(diào)也不為過。
全同態(tài)加密(FHE)的局限性
盡管具有潛力,我們?nèi)孕杞鉀Q一些關(guān)鍵限制
多用戶支持:全同態(tài)加密(FHE)允許對加密數(shù)據(jù)進(jìn)行計算,但在涉及多個用戶的場景中,復(fù)雜性成倍增加。通常,每個用戶的數(shù)據(jù)會使用唯一的公鑰進(jìn)行加密。管理這些不同的數(shù)據(jù)集,尤其是在大規(guī)模環(huán)境中考慮到 FHE 的計算需求,變得不切實際。為此,研究人員如 Lopez-Alt 等人于 2013 年提出多密鑰 FHE 框架,允許對使用不同密鑰加密的數(shù)據(jù)集進(jìn)行同時操作。這種方法雖然前景看好,但引入了額外的復(fù)雜層級,并需要在密鑰管理和系統(tǒng)架構(gòu)方面進(jìn)行精細(xì)協(xié)調(diào),以確保隱私和效率。
大規(guī)模計算開銷:全同態(tài)加密(FHE)的核心在于其能夠在加密數(shù)據(jù)上執(zhí)行計算。然而,這一能力伴隨著巨大的代價。與傳統(tǒng)的未加密計算相比,F(xiàn)HE 操作的計算開銷顯著增加。這種開銷通常表現(xiàn)為多項式形式,但涉及高次多項式,加劇了運(yùn)行時間,使其不適用于實時應(yīng)用。針對 FHE 的硬件加速代表了巨大的市場機(jī)遇,旨在降低計算復(fù)雜性并提高執(zhí)行速度。
有限操作:近期進(jìn)展確實拓寬了全同態(tài)加密的應(yīng)用范圍,使其能支持更多種類的運(yùn)算。然而,它主要仍適用于線性和多項式計算,這對涉及復(fù)雜非線性模型(如深度神經(jīng)網(wǎng)絡(luò))的人工智能應(yīng)用而言,是一個重大限制。這些 AI 模型所需的操作在當(dāng)前全同態(tài)加密框架下實現(xiàn)高效執(zhí)行頗具挑戰(zhàn)。盡管我們正取得進(jìn)展,但全同態(tài)加密的操作能力與先進(jìn) AI 算法需求之間的差距,仍是亟待突破的關(guān)鍵障礙。
加密與人工智能背景下的全同態(tài)加密
以下是一些致力于在加密領(lǐng)域利用全同態(tài)加密(FHE)進(jìn)行 AI 應(yīng)用的公司:
Zama 提供 Concrete ML,這是一套開源工具,旨在簡化數(shù)據(jù)科學(xué)家使用全同態(tài)加密(FHE)的過程。Concrete ML 能夠?qū)C(jī)器學(xué)習(xí)模型轉(zhuǎn)換為其同態(tài)等價形式,從而實現(xiàn)對加密數(shù)據(jù)的保密計算。Zama 的方法使得數(shù)據(jù)科學(xué)家無需深入的密碼學(xué)知識就能利用 FHE,這在醫(yī)療和金融等對數(shù)據(jù)隱私至關(guān)重要的領(lǐng)域尤為有用。Zama 的工具在保持敏感信息加密的同時,促進(jìn)了安全的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)。
Privasee 專注于構(gòu)建一個安全的 AI 計算網(wǎng)絡(luò)。他們的平臺利用全同態(tài)加密(FHE)技術(shù),使得多方能夠在不泄露敏感信息的情況下進(jìn)行協(xié)作。通過使用 FHE,Privasee 確保用戶數(shù)據(jù)在整個 AI 計算過程中保持加密狀態(tài),從而保護(hù)隱私并遵守如 GDPR 等嚴(yán)格的數(shù)據(jù)保護(hù)法規(guī)。他們的系統(tǒng)支持多種 AI 模型,為安全數(shù)據(jù)處理提供了一個多功能的解決方案。
Octra 將加密貨幣與人工智能相結(jié)合,以提升數(shù)字交易安全性和數(shù)據(jù)管理效率。通過融合全同態(tài)加密(FHE)與機(jī)器學(xué)習(xí)技術(shù),Octra 致力于增強(qiáng)去中心化云存儲的安全性與隱私保護(hù)。其平臺通過運(yùn)用區(qū)塊鏈、密碼學(xué)及人工智能技術(shù),確保用戶數(shù)據(jù)始終處于加密且安全的狀態(tài)。這一策略為去中心化經(jīng)濟(jì)中的數(shù)字交易安全與數(shù)據(jù)隱私構(gòu)建了堅實的框架。
Mind Network 將全同態(tài)加密(FHE)與人工智能結(jié)合,實現(xiàn)人工智能處理過程中的安全加密計算,無需解密。這促進(jìn)了隱私保護(hù)的、去中心化的人工智能環(huán)境,無縫融合了加密安全與人工智能功能。這種方法不僅保護(hù)了數(shù)據(jù)的機(jī)密性,還實現(xiàn)了無需信任、去中心化的環(huán)境,其中人工智能操作可以在不依賴中央權(quán)威或暴露敏感信息的情況下進(jìn)行,有效結(jié)合了 FHE 的加密強(qiáng)度與人工智能系統(tǒng)的操作需求。
在全同態(tài)加密(FHE)、人工智能(AI)和加密貨幣領(lǐng)域前沿運(yùn)營的公司數(shù)量仍然有限。這主要是因為有效實施 FHE 需要巨大的計算開銷,要求強(qiáng)大的處理能力以高效執(zhí)行加密計算。
FHE 目前還在發(fā)展初期,我將簡單介紹 5 個具有潛力的 FHE 項目
1) Inco
Inco是一個模塊化的機(jī)密性即服務(wù)(confidentiality-as-a-service)區(qū)塊鏈,它是兼容 EVM 的 L1,完全由 FHE 提供支持。
Inco 此前完成了由 1kx 領(lǐng)投的 450 萬美元種子輪融資。
催化劑和要點:
- 在基礎(chǔ)層提供隱私性是一個強(qiáng)大的價值主張,可以吸引眾多注重隱私的 DApp。
- 數(shù)據(jù)可用性層的引入徹底改變了像 Celestia 等模塊化項目的生態(tài)系統(tǒng)。保密層預(yù)計會產(chǎn)生類似的、甚至更大的吸引力。
- 與 Zama 合作,Polygon 聯(lián)合創(chuàng)始人是其顧問,將通過 EigenLayer(實際上是 AVS)借用以太坊的安全性。
2) Mind Network
Mind是提供安全和數(shù)據(jù)隱私零信任層( Zero Trust Layer),旨在促進(jìn)真正的 CrossFi 擴(kuò)展。
Mind 完成了 Binance Labs 領(lǐng)投的 250 萬美元種子輪融資。
催化劑和要點:
- 構(gòu)建互聯(lián)網(wǎng)基礎(chǔ)設(shè)施,使全球公民能夠控制自己的數(shù)據(jù)。
- 測試網(wǎng)已上線,并且可能會對測試網(wǎng)進(jìn)行激勵。
- 由 Zama 提供支持。
- 第一個用例是 MindLake,這是一個開創(chuàng)性的數(shù)據(jù)存儲 Rollup,旨在對去中心化平臺上的加密數(shù)據(jù)進(jìn)行計算。
3) Fhenix
Fhenix是第一個基于 Rollup 的 FHE 架構(gòu),旨在解決由于廣泛的執(zhí)行要求和可擴(kuò)展性限制而在 L1 上執(zhí)行 FHE 計算的挑戰(zhàn)。
催化劑和要點:
- Optimistic FHE Rollup 可以在以太坊上構(gòu)建,無需修改基礎(chǔ)層,這意味著以太坊中的每個智能合約都可以通過 FHE Rollup 解決方案增強(qiáng)隱私性。
- 與 Zama 合作推出 fhEVM 基礎(chǔ)設(shè)施。
- 測試網(wǎng)即將上線。
- 在我看來,F(xiàn)henix 簡化了機(jī)密智能合約的部署,這對于開發(fā)人員的采用至關(guān)重要。
4) Privasea
Privasea是一個利用 FHE 來確保 AI 計算過程中的隱私和安全的網(wǎng)絡(luò)。
Privasea 完成了 Binance Labs 領(lǐng)投的 500 萬美元種子輪融資。
催化劑和要點:
- Genesis NFT 詳情即將公布,持有者能夠獲得空投。
- 為 DePIN+AI 提供隱私計算 FHE 解決方案,將所有熱點組合成一個合法有前景的項目,項目代幣可能會帶來很高的回報。
- 正在開發(fā)另一個用于安全和私密用戶驗證的 DApp,確保 KYC 流程中的隱私,不暴露個人詳細(xì)信息,但在必要時保持可審計。
- 由 Zama 提供支持。
5) Optalysys
Optalysys正在構(gòu)建下一代計算處理能力,我認(rèn)為這是一個非常有前途的項目,是 FHE 領(lǐng)域的「鏟子」。
結(jié)語
全同態(tài)加密(FHE)通過允許在未解密的情況下對加密數(shù)據(jù)進(jìn)行計算,為增強(qiáng) AI 中的隱私提供了一種有前景的方法。這一能力在醫(yī)療和金融等對數(shù)據(jù)隱私至關(guān)重要的敏感領(lǐng)域尤為寶貴。然而,F(xiàn)HE 面臨重大挑戰(zhàn),包括高計算開銷以及在處理深度學(xué)習(xí)所必需的非線性操作方面的局限性。盡管存在這些障礙,F(xiàn)HE 算法和硬件加速的進(jìn)步正在為 AI 中更實用的應(yīng)用鋪平道路。該領(lǐng)域的持續(xù)發(fā)展有望極大提升安全、保護(hù)隱私的 AI 服務(wù),平衡計算效率與強(qiáng)大的數(shù)據(jù)保護(hù)。
以上就是腳本之家小編給大家分享的為什么全同態(tài)加密(FHE)是AI人工智能的圣杯的詳細(xì)解讀了,希望大家喜歡!
你可能感興趣的文章
-
Mynt是什么?如何在Monad測試網(wǎng)上挖礦Mynt?
Mynt是一個去中心化的穩(wěn)定幣協(xié)議,允許用戶通過存入ETH或MON(Monad 的原生代幣)作為抵押品,鑄造與美元掛鉤的穩(wěn)定幣USDm,通過與 Mynt 進(jìn)行測試網(wǎng)互動,用戶可能有機(jī)會獲…
2025-06-06 -
如何在加密貨幣交易中應(yīng)用Black-Litterman模型?
Black-Litterman模型由Fischer Black和Robert Litterman于1991年在高盛開發(fā),Black-Litterman模型是加密貨幣交易和投資的強(qiáng)大工具,為最優(yōu)投資組合配置提供了穩(wěn)健的框架,那…
2025-06-06 -
加密貨幣交易中的諧波形態(tài):八種常用的諧波形態(tài)指南
諧波形態(tài)是依靠斐波那契比率來預(yù)示價格趨勢潛在反轉(zhuǎn)的高級圖表形態(tài),諧波形態(tài)精確且數(shù)學(xué)定義明確,使其成為重視市場預(yù)測結(jié)構(gòu)化方法的交易者的最愛,在本指南中,我們將探討諧…
2025-06-06 -
區(qū)塊鏈的多層結(jié)構(gòu)都有那些?L1 與 L2 有什么區(qū)別?新手完整指南
區(qū)塊鏈的多層結(jié)構(gòu)都有那些?區(qū)塊鏈層:完整指南區(qū)塊鏈被稱為革命性的,但其潛力的本質(zhì)在于其多層架構(gòu),這些層決定了信息在分布式網(wǎng)絡(luò)中的傳遞、驗證、記錄和訪問方式,從硬件…
2025-06-06 -
什么是空投挖礦?如何在2025年進(jìn)行空投挖礦?
空投挖礦是指積極尋求并參與由各種加密貨幣初創(chuàng)公司或項目的創(chuàng)始人和創(chuàng)始人組織的空投活動,很多新手投資者還不了解什么是空投挖礦?如何在2025年進(jìn)行空投挖礦?下文將為大…
2025-06-06 -
什么是時空證明PoSt?有什么優(yōu)勢?有哪些值得關(guān)注的項目?
Proof-of-Space-Time(PoST)是什么?Proof-of-Space-Time(PoST)有什么優(yōu)勢?時空證明PoSt有哪些值得關(guān)注的項目?下面腳本之家小編給大家詳細(xì)介紹下時空證明PoSt是什么吧…
2025-06-06 -
Solana是什么?它如何運(yùn)作?與其他鏈有何不同?
Solana 是一個高性能公鏈,以其速度快、費用低和可擴(kuò)展性而聞名,它于 2020 年上線,支持智能合約、去中心化應(yīng)用 (dApp) 和數(shù)字資產(chǎn)——與以太坊類似,但速度更快、成本更低…
2025-06-05 -
SUI上排名前五的空投項目有哪些?SUI 上5大最佳空投項目
Sui近期在DEX日交易量上超越了Base,表明盡管發(fā)生了短暫震動網(wǎng)絡(luò)的安全事件,但用戶參與度依然強(qiáng)勁,即使在受到協(xié)議層漏洞影響后,生態(tài)系統(tǒng)仍展現(xiàn)出非凡的韌性——用戶并未…
2025-06-05 -
InfoFi與注意力經(jīng)濟(jì)平臺Kaito是什么?Kaito新手使用教學(xué)
KAITO是AI驅(qū)動的Web3一站式資訊平臺,KAITO是Kaito生態(tài)關(guān)鍵代幣,生態(tài)主要交易媒介、能質(zhì)押、能參與項目Launchpad、能分配獎勵,就像是注意力版本的$BNB代幣之于BNB生態(tài),下…
2025-06-05 -
什么是InfoFi?有哪些InfoFi項目值得關(guān)注?如何利用InfoFi賺錢
一個新的金融前沿正在形成——信息、注意力和數(shù)字信號成為寶貴的資產(chǎn),在本文中,我們探討了什么是InfoFi,有哪些InfoFi項目值得關(guān)注以及個人在這個新的信息驅(qū)動型經(jīng)濟(jì)中如…
2025-06-05